SLAM学习笔记（三）

刚体是指在运动中和受力作用后，形状和大小不变，而且内部各点的相对位置不变的物体。绝对刚体实际上是不存在的，只是一种理想模型，因为任何物体在受力作用后，都或多或少地变形，如果变形的程度相对于物体本身几何尺寸来说极为微小，在研究物体运动时变形就可以忽略不计。刚体不光有位置，还有自身的姿态。

在三维空间中如何描述刚体呢？

旋转矩阵

基下的坐标

a在基下的坐标为

内积

外积

外积的方向垂直于这两个向量，大小为 |a||b|sin〈a,b〉，是两个向量张成的四边形的 有向面积。对于外积，我们引入了 ∧ 符号，把 a 写成一个矩阵。事实上是一个反对称矩阵 （Skew-symmetric），你可以将 ∧ 记成一个反对称符号。这样就把外积 a×b，写成了矩阵 与向量的乘法 a∧b，把它变成了线性运算。

注：i，j，k代表坐标系，求a×b的行列式的值，得到中间的矩阵，在经过一系列变换得到最终的结果。

坐标系间的欧氏变换

坐标系之间的变换包括：旋转与平移。

 

相机运动是一个刚体运动，它保证了同一个向量在各个坐标系下的长度和夹角都不会发生变化，这种变换称为欧氏变换。首先来考虑旋转。我们设某个单位正交基 经过一次旋转，变成了。那么，对于同一个向量 a（注意该向量并没有随着坐标系的旋转而发生运动），它在两个坐标系下的坐标为 和 。 根据坐标的定义，有： 

 

对（3.4）式两边同时左乘得下式：

我们把中间的阵拿出来，定义成一个矩阵 R（旋转矩阵）。这个矩阵由两组基之间的内积组成，刻画了旋转前后同一个向量的坐标变换关系。

注：旋转矩阵的性质：它是一个行列式为 1 的正交矩阵（正交矩阵即逆为自身转置的矩阵）。

旋转矩阵的集合定义如下：

SO(n) 是特殊正交群（Special Orthogonal Group）的意思（李群李代数那张专门讲述）。

由于旋转矩阵为正交阵，它的逆（即转置）描述了一个相反的旋转。按照上面的定义方式，有：

刻画了一个相反的旋转

考虑世界坐标系中的向量 a，经过一次 旋转（用 R 描述）和一次平移 t 后，得到了 a′，那么把旋转和平移合到一起，有：

变换矩阵与齐次坐标

（3.8）的形式在变换多次之后会过于复杂。因此，我们要引入齐次坐标和变换矩阵重写 式（3.8）： 

这是一个数学技巧：我们把一个三维向量的末尾添加 1，变成了四维向量，称为齐次 坐标。该式中，矩阵 T 称为变换矩阵（Transform Matrix）。我们暂时用表 示 a 的齐次坐标。

这时，忽略掉最后一项，这个点的坐标和欧氏空间就是一样的。依靠齐次坐标和变换矩阵，两次变换的累加就可以有很好的形式：
 

在不引起歧义的情况下，以后我们就直接把它写成 b = Ta 的样子，默认其中是齐次坐标了。关于变换矩阵 T，它具有比较特别的结构：左上角为旋转矩阵，右侧为平移向量，左 下角为 0 向量，右下角为 1。这种矩阵又称为特殊欧氏群（Special Euclidean Group）： 

最后，为了保持符号的简洁，在不引起歧义的情况下，我们以后不区别齐次坐标与普 通的坐标的符号，默认我们使用的是符合运算法则的那一种。例如，当我们写 Ta 时，使 用的是齐次坐标（不然没法计算）。而写 Ra 时，使用的是非齐次坐标。如果写在一个等 式中，我们就假设齐次坐标到普通坐标的转换，是已经做好了的——因为齐次坐标和非齐 次坐标之间的转换事实上非常容易。 

以上笔记源自《视觉SLAM十四讲》